A Convolutional Neural Network to Predict the State-of-Lithiation of Lithium-ion Batteries with the Nickel-Manganese-Cobalt-Oxide Chemistry
Notice bibliographique
Résumé
A machine learning (ML) model was developed to study the discharge behavior of a 𝐿𝑖x𝑁𝑖0.33𝑀𝑛0.33𝐶𝑜0.33𝑂2 half-cell with particle-scale resolution. The ML model could predict the state-of-lithiation of the particles as a function of time and C-rate. Although direct numerical simulation has been well established in this area as the prevalent method of modeling batteries, computational expense increases going from 1D-homogenized model to particle-resolved models. The model was trained on a total of sixty different electrodes with various lengths for a total of 4 different C-rates: 0.25, 1, 2, and 3C. The ML model uses convolutional layers, resulting in an image-to-image regression network. To evaluate model performance, the root mean squared error was compared between the state of lithiation (SoL) predicted by the ML model and ground truth results from pore-scale direct numerical simulation (DNS) on unseen electrode configurations. It was shown that the ML model can predict the SoL within 3.76% accuracy in terms of relative error, but almost an order of magnitude faster than the DNS approach.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».